論文の概要: Physically Aware Radiomics Without Interpolation: Disentangling Voxel Geometry and Signal Modification in CT and MRI

• arxiv url: http://arxiv.org/abs/2607.12399v1
• Date: Tue, 14 Jul 2026 06:19:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.051638
• Title: Physically Aware Radiomics Without Interpolation: Disentangling Voxel Geometry and Signal Modification in CT and MRI
• Title（参考訳）: 補間を伴わない物理的に認識される放射線:CTおよびMRIにおけるVoxel Geometryと信号修正の遠ざかる
• Authors: David Corral Fontecha, Juan Miranda Bautista, Pablo Menendez Fernández-Miranda, Sergio Rubio-Martín, Lara Lloret Iglesias, Jose A. Vega,
• Abstract要約: 物理幾何学をテクスチャに組み込んだボクセル・スポーピング対応放射能フレームワークを試作した。 4つの構成を比較した: ネイティブ非サンプリング抽出, 等方的再サンプリング, ボクセル・スパッシング・アウェア抽出, 偽等方的前処理。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: Radiomic texture features are usually computed in voxel-index neighborhoods, implicitly assuming isotropic spatial relationships. In anisotropic images, this can confound voxel geometry with interpolation-induced signal changes. We developed a voxel-spacing-aware radiomic framework that incorporates physical geometry into texture computation without resampling. Approach: We modified PyRadiomics to account for voxel spacing while preserving the native image signal. Four configurations were compared: native non-resampled extraction (NR), isotropic resampling (RS), voxel-spacing-aware extraction (VS), and fake-isotropic preprocessing (FK), in which spacing metadata were overwritten without altering the image array. Experiments included 685 LIDC-IDRI pulmonary nodules and 209 I-SPY2 breast MRI cases, with 196 radiomic descriptors. Robustness was assessed using ICC, within-subject variability, Friedman testing, feature selection, machine learning, a multilayer perceptron, and external validation. Main results: VS showed near-native agreement with NR: median ICC(A,1) was 0.9976 in CT and 0.9984 in MRI. RS produced lower agreement and larger deviations, while FK showed intermediate behavior, confirming that spacing metadata alone can affect radiomic features. Gradient-derived and neighborhood-sensitive descriptors were most affected by preprocessing. VS preserved predictive performance comparable to NR in external CT validation, whereas MRI showed greater variability across preprocessing strategies and classifiers. Significance: Voxel-spacing-aware extraction separates geometric modeling from interpolation-induced signal modification while preserving the native image signal, offering a coherent alternative to isotropic resampling for radiomic analysis of anisotropic CT and MRI.
• Abstract（参考訳）: 目的:放射線テクスチャの特徴は通常、ボクセル-インデックス地区で計算され、等方性空間関係を暗黙的に仮定する。 異方性画像では、ボクセル幾何と補間誘起信号の変化を混同することができる。 物理幾何学をテクスチャ計算に組み込んだボクセル・スポーピング対応放射能フレームワークを試作した。 アプローチ: ネイティブ画像信号を保存する際に, ボクセル間隔を考慮したPyRadiomicsを改良した。 4つの構成を比較した: ネイティブ非サンプリング抽出(NR)、等方再サンプリング(RS)、ボクセル・スパッシング・アウェア抽出(VS)、フェイク・異方前処理(FK)。 685例のLIDC-IDRI肺結節,209例のI-SPY2乳房MRI,196例の放射線治療を行った。 ICC、オブジェクト内変動、Friedmanテスト、特徴選択、機械学習、多層パーセプトロン、外部バリデーションを用いてロバストネスを評価した。 主な結果: VS は NR とほぼネイティブな一致を示した。中央値 ICC(A,1) は CT では 0.9976 ,MRI では 0.9984 であった。 RSは低い一致と大きな偏差を示し、FKは中間的な挙動を示し、メタデータの間隔のみが放射能特性に影響を及ぼすことを確認した。 グラディエント由来および近傍感受性ディスクリプタは前処理によって最も影響を受けていた。 VSは外部CTバリデーションにおいてNRに匹敵する予測性能を保ったが,MRIでは前処理戦略や分類器のばらつきが大きかった。 意義:Voxel-spacing-aware 抽出は、異方性CTおよびMRIの放射線学的解析のための等方性再サンプリングのコヒーレントな代替手段を提供するとともに、補間による信号修正から幾何学的モデリングを分離する。

関連論文リスト

• Rendering Novel Views of MRI Using 3D Gaussian Splatting [54.6286495315908]
  3D Gaussian Splatting を用いて, スパース異方性MRIから画像再構成を行い, 臨床評価に関係する解剖学的に整合した画像面を採取, 描画した。 新しいビュープレーンは対象解剖の診断に最適であるが、元のMRIはそうではない。
  論文  参考訳（メタデータ） (2026-06-24T18:00:03Z)
• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• Diffeomorphic Transformer-based Abdomen MRI-CT Deformable Image Registration [5.204992327758393]
  本稿では,腹部MRI-CT画像を直接登録するための変形ベクトル場(DVF)を推定できるディープラーニングフレームワークの構築を目的とする。 運動追跡における優れた性能を示すSwin変換器を畳み込みニューラルネットワーク(CNN)に統合したモデル
  論文  参考訳（メタデータ） (2024-05-04T15:04:06Z)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Brain Cancer Survival Prediction on Treatment-na ive MRI using Deep Anchor Attention Learning with Vision Transformer [4.630654643366308]
  画像ベース脳腫瘍予測モデルによるMRIによるX線学的表現型の定量化 腫瘍内表現型不均一性の証拠にもかかわらず、MRIスキャンにおける異なるスライス間の空間的多様性は、そのような方法では比較的研究されていない。 本稿では,脳腫瘍患者の生存リスクを予測するために,ビジョントランスフォーマを用いたディープアンカーアテンションアグリゲーション戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-03T21:33:08Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Using a Generative Adversarial Network for CT Normalization and its Impact on Radiomic Features [3.4548443472506194]
  放射線学的特徴は、線量レベルとスライス厚さの違いによる取得の違いに敏感である。 減線量,厚みスライス (2.0mm) 画像を正常線量 (100%) , 薄いスライス (1.0mm) 画像に正規化するために, GAN (3D Generative Adversarial Network) を用いた。
  論文  参考訳（メタデータ） (2020-01-22T23:41:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。